摘要：燃料消耗占飞机的整体营运成本比例达 25%，是航空公司至为重大的决策因素之一。因此，对燃料消耗作出审慎的估算，是航空公司在未来一个财政年度里确保顺利营运的关键工作。当航空公司需要估算新航段的总燃料消耗量，而又未能掌握所需数据时，就会出现困难。这便需要有一个强大的参数模型，即使在缺乏相关数据的情况下，也可以借助该模型所描绘的新航线特征，来作出相关推演工作。为解决这个问题，我们提出一个涉及两个步骤的方法，来得出一个可用以准确地估算所需飞机燃料的模型。这个构建出来的方法既涉及无监督学习，也涉及一个回归模型。对于无监督学习步骤，采用「基于分层密度之噪声应用空间聚类法」(HDBSCAN)，来对经过主成分分析 (PCA) 方法归约出的数据进行聚类处理。这个步骤可以在过滤数据中的噪声后，根据各个航段的主要成分所显示的基本特征，自动分类不同的航段。然后，使用多元线性回归法 (MLR) 推演出每个聚类的公式。主要成分分析基础聚类模型被证明优胜于对单一飞机类型采用一通用的模型。对于每个聚类内的现有航线，使用这种方法得出的燃料估算之均方根误差小于 5%。更重要的是，这个建议使用的方法可用以准确地估算新航线所需的总燃料，总误差小于 2%，因此能够解决航空公司燃料估算研究的其中一个现有局限性。
